
import os
import pandas as pd
import numpy as np
import csv
import folium
import geopandas as gpd
from folium import plugins
import seaborn as sns
from matplotlib import pyplot as plt


#Задаем расположение датасетов с геоданными по ресторанам фастфуда

os.chdir(r'C:\Users\aksen\OneDrive\Рабочий стол\Аналитика данных\Python\командный проект\рестики')


#Выделяем из датасета рестораны фастуда только из интересующих нас городов и отсеиваем лишние

keys = ('name', 'latitude', 'longitude', 'city', 'province', 'postalCode')
records = []

for file in os.listdir():
    with open(file, 'r') as csvfile:
        reader = csv.DictReader(csvfile)
        for row in reader:
            records.append({key: row[key] for key in keys})
            
city_list = [['Columbus','OH'], ['Cincinnati','OH'], ['Cleveland','OH'], ['Las Vegas','NV'], ['Miami','FL'], ['Indianapolis', 'IN'], ['Birmingham', 'AL'], ['Portland', 'OR']]
final_records = []

for record in records:
    if record['city'] in [i[0] for i in city_list] and record['province'] in [i[1] for i in city_list]:
        final_records.append(record)
        
for record in final_records:
    record['postalCode'] = record['postalCode'][:5]


#Создаем датасет из выбранных городов с необходимыми параметрами для анализа

df_restaurants = pd.DataFrame(final_records)
df_restaurants.head()


#Проверяем полученный датафрейм на наличие дублей

df_restaurants[df_restaurants.duplicated()]


#Построчный анализ дает понимание, что нет дублирующих строк (координаты у ресторанов не повторяются)


#Загружаем датасет с количественной информацией по городам для расчета метрик плотности ресторанов фастфуда

df_city_info = pd.read_csv(r'C:\Users\aksen\OneDrive\Рабочий стол\Аналитика данных\Python\командный проект\city_info.csv', sep=',')
df_city_info.head(10)


# Расчитаем количество ресторанов на единицу площади города


#Считаем количество ресторанов с группировкой по городам

counts_rest = df_restaurants.groupby('city')['name'].count()
counts_rest = counts_rest.to_dict()
counts_rest

{'Birmingham': 81,
 'Cincinnati': 205,
 'Cleveland': 109,
 'Columbus': 181,
 'Indianapolis': 161,
 'Las Vegas': 200,
 'Miami': 163,
 'Portland': 111}


#Вносим данные в датасет df_city_info

df_city_info['rest_counts'] = df_city_info['city'].map(counts_rest)
df_city_info.head(10)


#Считаем плотность ресторанов фастфуда на единицу площади города (шт/км2). 

df_city_info['rest_density'] = df_city_info['rest_counts'] / df_city_info['city_square']
df_city_info.head()


#Расчитаем количество жителей города на один ресторан

df_city_info['people_per_rest'] = df_city_info['city_population'] / df_city_info['rest_counts']
df_city_info = df_city_info.sort_values(by=['people_per_rest'], ascending=False)
df_city_info.head(10)


#Визуализация числа жителей города на один фастфуд ресторан
custom_palete = {'Portland':'#3b86b9', 'Indianapolis':'#e1812c', 'Columbus':'#3e9c3e', 'Cleveland':'#c03d3e', 'Las Vegas':'#9372b2', 'Miami':'#8e625a', 'Birmingham':'#d684bd', 'Cincinnati':'#8b8b8b'}
pic = sns.barplot(df_city_info, x='people_per_rest', y='city', palette=custom_palete)
pic.set(xlabel='Число жителей на один фастфуд ресторан', ylabel='Города', title='Обеспеченность жителей города фастфуд ресторанами')
pic

<Axes: title={'center': 'Обеспеченность жителей города фастфуд ресторанами'}, xlabel='Число жителей на один фастфуд ресторан', ylabel='Города'>


#Визуализация плотности расположения фастфуд ресторанов (штук на км2)

df_city_info_rest_density = df_city_info[['city', 'rest_density']]
df_city_info_rest_density = df_city_info_rest_density.sort_values(by=['rest_density'], ascending=False)
pic_1 = sns.barplot(df_city_info_rest_density, x='rest_density', y='city', palette=custom_palete)
pic_1.set(xlabel='Плотность фастфуд ресторанов в городе (шт/км2) ', ylabel='Города', title='Плотность расположения фастфуд ресторанов в городе')
pic_1

<Axes: title={'center': 'Плотность расположения фастфуд ресторанов в городе'}, xlabel='Плотность фастфуд ресторанов в городе (шт/км2) ', ylabel='Города'>


#Создаем карту районов города с отображением плотности ресторанов (цветом) в каждом районе


#Загружаем границы административных единиц США
data_boundaries = gpd.read_file(r'C:\Users\aksen\OneDrive\Рабочий стол\Аналитика данных\Python\командный проект\map\zip_boundaries\USA_ZIP_Code_Boundaries.geojson')


os.chdir(r'C:\Users\aksen\OneDrive\Рабочий стол\Аналитика данных\Python\командный проект\map\traffic_objects')


keys_traffic = ('latitude', 'longitude', 'name')


#Portland


#Подсчет ресторанов в Portland с группировкой по районам (postalCode)
df_restaurants_portland = df_restaurants[df_restaurants['city']=='Portland']
counts_rest_zip_portland = df_restaurants_portland.groupby('postalCode')['name'].count()
rest_zip_portland = pd.DataFrame(counts_rest_zip_portland)
rest_zip_portland = rest_zip_portland.reset_index()

#Определяем датасет с границами районов
data_boundaries_portland = data_boundaries[(data_boundaries['STATE']=='OR')&(data_boundaries['PO_NAME']=='Portland')]

#Координаты центра города
locate_portland=[float(df_city_info[df_city_info['city']=='Portland']['с_latitude'].values), float(df_city_info[df_city_info['city']=='Portland']['с_longitude'].values)]

#Создаем карту города
portland = folium.Map(location=locate_portland, zoom_start=11)

#Создаем слой с отображением цветом плотности фастфуд ресторанов в городе 
choropleth_portland = folium.Choropleth(
geo_data=data_boundaries_portland,
fill_opacity=0.5,
line_opacity=0.6, 
data=rest_zip_portland,
columns=['postalCode', 'name'],
fill_color='Reds',
key_on='feature.properties.ZIP_CODE',
legend_name="Кол-во ресторанов фастфуда в районе",
name = 'Кол-во ресторанов фастфуда в районе').add_to(portland)

#Создаем возможность видеть postalCode района на карте при наведении мыши
choropleth_portland.geojson.add_child(folium.features.GeoJsonTooltip(['ZIP_CODE',], labels=False))

#Создаем датасет с геокоординатами объектов, образующих пешеходный трафик (из датасетов по городу)
portland_traffic = []

for file in os.listdir():
    if 'Portland' in file:
        with open(file, 'r') as csvfile:
            reader = csv.DictReader(csvfile)
            for row in reader:
                portland_traffic.append({key: row[key] for key in keys_traffic})

#Задаем списки координат объектов для загрузки на карту
latitudes_portland = [float(x['latitude']) for x in portland_traffic]
longitudes_portland = [float(x['longitude']) for x in portland_traffic]

#Создаем heatmap с трафикообразующими объектами
plugins.HeatMap(list(zip(latitudes_portland, longitudes_portland)), radius=10, name='объекты ретейла и развлечений', gradient={0.1: 'blue', 0.55: 'lime', 1: 'red'}).add_to(portland)
folium.LayerControl().add_to(portland)

#Отобразим конкурентные рестораны фастфуда на карте
df_restaurants_portland['latitude'] = df_restaurants_portland['latitude'].astype('float')
df_restaurants_portland['longitude'] = df_restaurants_portland['longitude'].astype('float')

for i in range(0,len(df_restaurants_portland)):
    folium.CircleMarker(
      location=[df_restaurants_portland.iloc[i]['latitude'], df_restaurants_portland.iloc[i]['longitude']],
        radius=2,
        color='red'
   ).add_to(portland)

#Круговой маркер, указывающий на рекомендуемый район для открытия ресторана (выбран после визуального анализа построенной
#интерактивной карты)
folium.CircleMarker(
    location=[45.518056, -122.684070],
    radius=50,
    color="#3186cc",
).add_to(portland)

portland

C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\375352858.py:50: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_portland['latitude'] = df_restaurants_portland['latitude'].astype('float')
C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\375352858.py:51: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_portland['longitude'] = df_restaurants_portland['longitude'].astype('float')


#Методология для анализа

#Для открытия нашего заведения предлагаем исключать районы с очень низкой и очень высокой плотностями
#    ресторанов фастфуда на каждый район, поскольку низкаая плотность говорит о заниженном спросе со стороны покупателя,
#    а высокая плотность сулит высокой конкуренцией для захода на рынок. Оптимальными будем считать районы с количеством
#    3-7 заведений на район. Далее определяем подходящие районы и оцениваем также концентрацию трафикообразующих объектов
#    в выбранных районах (heatmap). Выбираем оптимальный район, ограничиваем локацию пересечением улиц на карте.


#Анализ для Portland

#Выбираем район с postalCode 97205,
#пересечение улиц:
#    Southwest 13th Avenue,
#    Southwest Harvey Milk Street,
#    Southwest Broadway,
#    Southwest Clay Street.


#Повторяем вышеописанные шаги для всех интересующих нас городов


#Birmingham


#Подсчет ресторанов в Birmingham с группировкой по районам (postalCode)
df_restaurants_birmingham = df_restaurants[df_restaurants['city']=='Birmingham']
counts_rest_zip_birmingham = df_restaurants_birmingham.groupby('postalCode')['name'].count()
rest_zip_birmingham = pd.DataFrame(counts_rest_zip_birmingham)
rest_zip_birmingham = rest_zip_birmingham.reset_index()

#Определяем датасет с границами районов
data_boundaries_birmingham = data_boundaries[(data_boundaries['STATE']=='AL')&(data_boundaries['PO_NAME']=='Birmingham')]

#Координаты центра города
locate=[float(df_city_info[df_city_info['city']=='Birmingham']['с_latitude'].values), float(df_city_info[df_city_info['city']=='Birmingham']['с_longitude'].values)]

#Создаем карту города
birmingham = folium.Map(location=locate, zoom_start=11)

#Создаем слой с отображением цветом плотности фастфуд ресторанов в городе  
choropleth_birmingham = folium.Choropleth(
geo_data=data_boundaries_birmingham,
fill_opacity=0.5,
line_opacity=0.6, 
data=rest_zip_birmingham,
columns=['postalCode', 'name'],
fill_color='Reds',
key_on='feature.properties.ZIP_CODE',
legend_name="Кол-во ресторанов фастфуда в районе",
name = 'Кол-во ресторанов фастфуда в районе').add_to(birmingham)

#Создаем возможность видеть postalCode района на карте при наведении мыши
choropleth_birmingham.geojson.add_child(folium.features.GeoJsonTooltip(['ZIP_CODE',], labels=False))

#Создаем датасет с геокоординатами объектов, образующих пешеходный трафик (из датасетов по городу)
birmingham_traffic = []

for file in os.listdir():
    if 'Birmingham' in file:
        with open(file, 'r') as csvfile:
            reader = csv.DictReader(csvfile)
            for row in reader:
                birmingham_traffic.append({key: row[key] for key in keys_traffic})

#Задаем списки координат объектов для загрузки на карту
latitudes_birmingham = [float(x['latitude']) for x in birmingham_traffic]
longitudes_birmingham = [float(x['longitude']) for x in birmingham_traffic]

#Создаем heatmap с объектами
plugins.HeatMap(list(zip(latitudes_birmingham, longitudes_birmingham)), radius=10, name='объекты ретейла и развлечений', gradient={0.1: 'blue', 0.55: 'lime', 1: 'red'}).add_to(birmingham)
folium.LayerControl().add_to(birmingham)

#Отобразим рестораны фастфуда на карте
df_restaurants_birmingham['latitude'] = df_restaurants_birmingham['latitude'].astype('float')
df_restaurants_birmingham['longitude'] = df_restaurants_birmingham['longitude'].astype('float')

for i in range(0,len(df_restaurants_birmingham)):
    folium.CircleMarker(
      location=[df_restaurants_birmingham.iloc[i]['latitude'], df_restaurants_birmingham.iloc[i]['longitude']],
        radius=2,
        color='red'
   ).add_to(birmingham)

#Круговой маркер для нахождения рекомендуемого района
folium.CircleMarker(
    location=[33.469379, -86.822001],
    radius=50,
    color="#3186cc"
).add_to(birmingham)

birmingham

C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\2112560369.py:50: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_birmingham['latitude'] = df_restaurants_birmingham['latitude'].astype('float')
C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\2112560369.py:51: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_birmingham['longitude'] = df_restaurants_birmingham['longitude'].astype('float')


#Анализ для Birmingham

#Выбираем район с postalCode 35209,
#пересечение улиц:
#    Valley Avenue,
#    Green Springs Highway,
#    Palisades Boulevard.


#Miami


#Подсчет ресторанов в Miami с группировкой по районам (postalCode)
df_restaurants_miami = df_restaurants[df_restaurants['city']=='Miami']
counts_rest_zip_miami = df_restaurants_miami.groupby('postalCode')['name'].count()
rest_zip_miami = pd.DataFrame(counts_rest_zip_miami)
rest_zip_miami = rest_zip_miami.reset_index()

#Определяем датасет с границами районов
data_boundaries_miami = data_boundaries[(data_boundaries['STATE']=='FL')&(data_boundaries['PO_NAME']=='Miami')]

#Координаты центра города
locate_miami=[float(df_city_info[df_city_info['city']=='Miami']['с_latitude'].values), float(df_city_info[df_city_info['city']=='Miami']['с_longitude'].values)]

#Создаем карту города
miami = folium.Map(location=locate_miami, zoom_start=11)

#Создаем слой с отображением цветом плотности фастфуд ресторанов в городе 
choropleth_miami = folium.Choropleth(
geo_data=data_boundaries_miami,
fill_opacity=0.5,
line_opacity=0.6, 
data=rest_zip_miami,
columns=['postalCode', 'name'],
fill_color='Reds',
key_on='feature.properties.ZIP_CODE',
legend_name="Кол-во ресторанов фастфуда в районе",
name = 'Кол-во ресторанов фастфуда в районе').add_to(miami)

#Создаем возможность видеть postalCode района на карте при наведении мыши
choropleth_miami.geojson.add_child(folium.features.GeoJsonTooltip(['ZIP_CODE',], labels=False))

#Создаем датасет с геокоординатами объектов, образующих пешеходный трафик (из датасетов по городу)
miami_traffic = []

for file in os.listdir():
    if 'Miami' in file:
        with open(file, 'r') as csvfile:
            reader = csv.DictReader(csvfile)
            for row in reader:
                miami_traffic.append({key: row[key] for key in keys_traffic})

#Задаем списки координат объектов для загрузки на карту
latitudes_miami = [float(x['latitude']) for x in miami_traffic]
longitudes_miami = [float(x['longitude']) for x in miami_traffic]

#Создаем heatmap с объектами
plugins.HeatMap(list(zip(latitudes_miami, longitudes_miami)), radius=10, name='объекты ретейла и развлечений', gradient={0.1: 'blue', 0.55: 'lime', 1: 'red'}).add_to(miami)
folium.LayerControl().add_to(miami)

#Отобразим рестораны фастфуда на карте
df_restaurants_miami['latitude'] = df_restaurants_miami['latitude'].astype('float')
df_restaurants_miami['longitude'] = df_restaurants_miami['longitude'].astype('float')

for i in range(0,len(df_restaurants_miami)):
    folium.CircleMarker(
      location=[df_restaurants_miami.iloc[i]['latitude'], df_restaurants_miami.iloc[i]['longitude']],
        radius=2,
        color='red'
   ).add_to(miami)

#Круговой маркер для нахождения рекомендуемого района
folium.CircleMarker(
    location=[25.807896, -80.193307],
    radius=50,
    color="#3186cc"
).add_to(miami)

miami

C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\205072766.py:50: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_miami['latitude'] = df_restaurants_miami['latitude'].astype('float')
C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\205072766.py:51: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_miami['longitude'] = df_restaurants_miami['longitude'].astype('float')


#Анализ для Miami

#Выбираем район с postalCode 33137,
#пересечение улиц:
#    North Miami Avenue,
#    Northeast 36th Street,
#    Northeast 2nd Avenue,
#   Northeast 29th Street.


#Indianapolis


#Подсчет ресторанов в Indianapolis с группировкой по районам (postalCode)
df_restaurants_indianapolis = df_restaurants[df_restaurants['city']=='Indianapolis']
counts_rest_zip_indianapolis = df_restaurants_indianapolis.groupby('postalCode')['name'].count()
rest_zip_indianapolis = pd.DataFrame(counts_rest_zip_indianapolis)
rest_zip_indianapolis = rest_zip_indianapolis.reset_index()

#Определяем датасет с границами районов
data_boundaries_indianapolis = data_boundaries[(data_boundaries['STATE']=='IN')&(data_boundaries['PO_NAME']=='Indianapolis')]

#Координаты центра города
locate_indianapolis=[float(df_city_info[df_city_info['city']=='Indianapolis']['с_latitude'].values), float(df_city_info[df_city_info['city']=='Indianapolis']['с_longitude'].values)]

#Создаем карту города
indianapolis = folium.Map(location=locate_indianapolis, zoom_start=11)

#Создаем слой с отображением цветом плотности фастфуд ресторанов в городе 
choropleth_indianapolis = folium.Choropleth(
geo_data=data_boundaries_indianapolis,
fill_opacity=0.5,
line_opacity=0.6, 
data=rest_zip_indianapolis,
columns=['postalCode', 'name'],
fill_color='Reds',
key_on='feature.properties.ZIP_CODE',
legend_name="Кол-во ресторанов фастфуда в районе",
name = 'Кол-во ресторанов фастфуда в районе').add_to(indianapolis)

#Создаем возможность видеть postalCode района на карте при наведении мыши
choropleth_indianapolis.geojson.add_child(folium.features.GeoJsonTooltip(['ZIP_CODE',], labels=False))

#Создаем датасет с геокоординатами объектов, образующих пешеходный трафик (из датасетов по городу)
indianapolis_traffic = []

for file in os.listdir():
    if 'Indianapolis' in file:
        with open(file, 'r') as csvfile:
            reader = csv.DictReader(csvfile)
            for row in reader:
                indianapolis_traffic.append({key: row[key] for key in keys_traffic})

#Задаем списки координат объектов для загрузки на карту
latitudes_indianapolis = [float(x['latitude']) for x in indianapolis_traffic]
longitudes_indianapolis = [float(x['longitude']) for x in indianapolis_traffic]

#Создаем heatmap с объектами
plugins.HeatMap(list(zip(latitudes_indianapolis, longitudes_indianapolis)), radius=10, name='объекты ретейла и развлечений', gradient={0.1: 'blue', 0.55: 'lime', 1: 'red'}).add_to(indianapolis)
folium.LayerControl().add_to(indianapolis)

#Отобразим рестораны фастфуда на карте
df_restaurants_indianapolis['latitude'] = df_restaurants_indianapolis['latitude'].astype('float')
df_restaurants_indianapolis['longitude'] = df_restaurants_indianapolis['longitude'].astype('float')

for i in range(0,len(df_restaurants_indianapolis)):
    folium.CircleMarker(
      location=[df_restaurants_indianapolis.iloc[i]['latitude'], df_restaurants_indianapolis.iloc[i]['longitude']],
        radius=2,
        color='red'
   ).add_to(indianapolis)

#Круговой маркер для нахождения рекомендуемого района
folium.CircleMarker(
    location=[39.772931, -86.161497],
    radius=50,
    color="#3186cc"
).add_to(indianapolis)

indianapolis

C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\2938394679.py:50: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_indianapolis['latitude'] = df_restaurants_indianapolis['latitude'].astype('float')
C:\Users\aksen\AppData\Local\Temp\ipykernel_1148\2938394679.py:51: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_restaurants_indianapolis['longitude'] = df_restaurants_indianapolis['longitude'].astype('float')


#Анализ для Indianapolis

#Выбираем район с postalCode 46202, 46204 (их граница),
#пересечение улиц:
#    West Michigan Street,
#    Indiana Avenue,
#    North Illinois Street.


#Cleveland


#Подсчет ресторанов в Cleveland с группировкой по районам (postalCode)
df_restaurants_cleveland = df_restaurants[df_restaurants['city']=='Cleveland'].reset_index(drop=True)
counts_rest_zip_cleveland = df_restaurants_cleveland.groupby('postalCode')['name'].count()
rest_zip_cleveland = pd.DataFrame(counts_rest_zip_cleveland)
rest_zip_cleveland = rest_zip_cleveland.reset_index()

#Определяем датасет с границами районов
data_boundaries_cleveland = data_boundaries[(data_boundaries['STATE']=='OH')&(data_boundaries['PO_NAME']=='Cleveland')]

#Координаты центра города
locate_cleveland=[float(df_city_info[df_city_info['city']=='Cleveland']['с_latitude'].values), float(df_city_info[df_city_info['city']=='Cleveland']['с_longitude'].values)]

#Создаем карту города
cleveland = folium.Map(location=locate_cleveland, zoom_start=11)

#Создаем слой с отображением цветом плотности фастфуд ресторанов в городе 
choropleth_cleveland = folium.Choropleth(
geo_data=data_boundaries_cleveland,
fill_opacity=0.5,
line_opacity=0.6, 
data=rest_zip_cleveland,
columns=['postalCode', 'name'],
fill_color='Reds',
key_on='feature.properties.ZIP_CODE',
legend_name="Кол-во ресторанов фастфуда в районе",
name = 'Кол-во ресторанов фастфуда в районе').add_to(cleveland)

#Создаем возможность видеть postalCode района на карте при наведении мыши
choropleth_cleveland.geojson.add_child(folium.features.GeoJsonTooltip(['ZIP_CODE',], labels=False))

#Создаем датасет с геокоординатами объектов, образующих пешеходный трафик (из датасетов по городу)
cleveland_traffic = []

for file in os.listdir():
    if 'Cleveland' in file:
        with open(file, 'r') as csvfile:
            reader = csv.DictReader(csvfile)
            for row in reader:
                cleveland_traffic.append({key: row[key] for key in keys_traffic})

#Задаем списки координат объектов для загрузки на карту
latitudes_cleveland = [float(x['latitude']) for x in cleveland_traffic]
longitudes_cleveland = [float(x['longitude']) for x in cleveland_traffic]

#Создаем heatmap с объектами
plugins.HeatMap(list(zip(latitudes_cleveland, longitudes_cleveland)), radius=10, name='объекты ретейла и развлечений', gradient={0.1: 'blue', 0.55: 'lime', 1: 'red'}).add_to(cleveland)

#Отобразим рестораны фастфуда на карте
df_restaurants_cleveland['latitude'] = df_restaurants_cleveland['latitude'].astype('float')
df_restaurants_cleveland['longitude'] = df_restaurants_cleveland['longitude'].astype('float')

for i in range(0,len(df_restaurants_cleveland)):
    folium.CircleMarker(
      location=[df_restaurants_cleveland.iloc[i]['latitude'], df_restaurants_cleveland.iloc[i]['longitude']],
        radius=2,
        color='red'
   ).add_to(cleveland)

#Круговой маркер для нахождения рекомендуемого района
folium.CircleMarker(
    location=[41.497725, -81.693972],
    radius=50,
    color="#3186cc",
    name = 'Действующие фастфуд-рестораны'
).add_to(cleveland)

folium.LayerControl().add_to(cleveland)

cleveland


#Анализ для Cleveland

#Выбираем район с postalCode 44113,
#пересечение улиц:
#    West Superior Avenue,
#    West Roadway,
#    Ontario Street,
#    West Huron Road.

	name	latitude	longitude	city	province	postalCode
0	Five Guys	25.754984	-80.368058	Miami	FL	33174
1	Port of Subs	36.121721	-115.243007	Las Vegas	NV	89103
2	Port of Subs	36.1991	-115.281057	Las Vegas	NV	89128
3	Port of Subs	36.14391	-115.295979	Las Vegas	NV	89117
4	Dairy Queen	39.760374	-86.101163	Indianapolis	IN	46201

	name	latitude	longitude	city	province	postalCode
36	McDonald's	36.195232	-115.161299	Las Vegas	NV	89106
49	McDonald's	36.113844	-115.066665	Las Vegas	NV	89121
60	Taco Bell	39.904852	-86.058835	Indianapolis	IN	46250
66	Burger King	25.766086	-80.193785	Miami	FL	33130
92	Taco Bell	25.810382	-80.189208	Miami	FL	33137
94	Taco Bell	36.124552	-115.279373	Las Vegas	NV	89147
128	Carl's Jr.	36.100083	-115.301468	Las Vegas	NV	89147
141	Chick-fil-A	40.142638	-82.990541	Columbus	OH	43240
159	Taco Bell	39.222648	-85.912413	Columbus	IN	47201
169	Steak 'n Shake	39.765665	-86.159998	Indianapolis	IN	46225
181	Taco Bell	39.867521	-82.934674	Columbus	OH	43207
208	KFC	25.831756	-80.216247	Miami	FL	33150
228	McDonald's	25.761204	-80.35503	Miami	FL	33174
239	Arby's	39.923849	-82.88054	Columbus	OH	43232
265	Burger King	25.7703	-80.325563	Miami	FL	33144
273	KFC	41.499866	-81.66741	Cleveland	OH	44115
274	KFC	41.499866	-81.66741	Cleveland	OH	44115
284	Chicken Kitchen	25.76571	-80.19218	Miami	FL	33131
315	Pizza Hut	25.811722	-80.365266	Miami	FL	33178
612	Jack in the Box	45.415494	-122.631985	Portland	OR	97267
739	Jimmy John's	39.2862	-84.4671	Cincinnati	OH	45246
792	Arby's	39.923849	-82.88054	Columbus	OH	43232
852	Burger King	41.373042	-81.826072	Cleveland	OH	44130
879	SONIC Drive In	39.09611	-84.27813	Cincinnati	OH	45245
896	Burger King	39.286461	-84.449052	Cincinnati	OH	45246
908	Wendy's	39.21051	-84.47418	Cincinnati	OH	45216
918	Arby's	39.225036	-84.516375	Cincinnati	OH	45231
936	Burger King	45.394334	-122.747032	Portland	OR	97224
942	Burger King	39.223404	-84.517544	Cincinnati	OH	45231
952	KFC	39.242	-84.5454	Cincinnati	OH	45231
961	Burger King	41.501359	-81.532359	Cleveland	OH	44121
962	Long John Silver's	41.419301	-81.759695	Cleveland	OH	44130
989	Five Guys	25.8978	-80.1622	Miami	FL	33181
990	KFC	25.760483	-80.41009	Miami	FL	33184
992	Burger King	25.7703	-80.325563	Miami	FL	33144
1003	Burger King	25.759621	-80.367717	Miami	FL	33174
1025	McDonald's	36.11505	-115.26167	Las Vegas	NV	89147
1057	Arby's	39.145862	-84.625642	Cincinnati	OH	45211
1065	Taco Bell	40.085692	-82.957763	Columbus	OH	43229
1089	Arby's	36.194841	-115.246595	Las Vegas	NV	89128
1094	McDonald's	45.518568	-122.474804	Portland	OR	97233
1143	KFC	39.6661	-86.0945	Indianapolis	IN	46237
1145	McDonald's	45.586771	-122.738535	Portland	OR	97203
1164	Jimmy John's	45.52292	-122.69021	Portland	OR	97205
1183	Jack in the Box	36.220029	-115.27867	Las Vegas	NV	89129

	city	state	city_square	city_population	с_latitude	с_longitude
0	Columbus	OH	550.5	906528	39.983333	-82.983333
1	Cincinnati	OH	206.0	308925	39.133333	-84.500000
2	Cleveland	OH	213.6	367991	41.482222	-81.669722
3	Las Vegas	NV	340.0	641903	36.175000	-115.136389
4	Miami	FL	143.1	442241	25.783333	-80.216667
5	Indianapolis	IN	953.0	882039	39.767778	-86.158056
6	Birmingham	AL	387.3	197575	33.516667	-86.816667
7	Portland	OR	375.6	653115	45.516667	-122.666667

	city	state	city_square	city_population	с_latitude	с_longitude	rest_counts
0	Columbus	OH	550.5	906528	39.983333	-82.983333	181
1	Cincinnati	OH	206.0	308925	39.133333	-84.500000	205
2	Cleveland	OH	213.6	367991	41.482222	-81.669722	109
3	Las Vegas	NV	340.0	641903	36.175000	-115.136389	200
4	Miami	FL	143.1	442241	25.783333	-80.216667	163
5	Indianapolis	IN	953.0	882039	39.767778	-86.158056	161
6	Birmingham	AL	387.3	197575	33.516667	-86.816667	81
7	Portland	OR	375.6	653115	45.516667	-122.666667	111

	city	state	city_square	city_population	с_latitude	с_longitude	rest_counts	rest_density
0	Columbus	OH	550.5	906528	39.983333	-82.983333	181	0.328792
1	Cincinnati	OH	206.0	308925	39.133333	-84.500000	205	0.995146
2	Cleveland	OH	213.6	367991	41.482222	-81.669722	109	0.510300
3	Las Vegas	NV	340.0	641903	36.175000	-115.136389	200	0.588235
4	Miami	FL	143.1	442241	25.783333	-80.216667	163	1.139064